近期在蚂蚁 花呗借呗风控算法岗实习，组里氛围很好，这几个月大量阅读了Bayesian Network结构学习的论文，然后分享给大家实属畅快。先挖个坑，实习结束后更新贝叶斯网络知识相关文档（不涉及具体工作内容）

最近阅读了Interpretable Machine Learning这本书，将书中内容简单进行了总结，分为上中下三部分笔记，分别是1）可解释的模型 2）模型无关方法的解释 3）基于样本的解释

最近阅读了Interpretable Machine Learning这本书，将书中内容简单进行了总结，分为上中下三部分笔记，分别是1）可解释的模型 2）模型无关方法的解释 3）基于样本的解释

在我们投稿之后，收到了revison建议，对下面几篇相关性较强的论文进行了阅读，前两篇可以涵盖在我们的框架中。第二篇我认为算法框架没我们的好且缺失收敛性分析；后三篇着重于理论分析，可以作为我们未来的拓展方向。

蚂蚁花呗交叉面（UCLA印卧涛，达摩P10，4月11日，22min）：

暑期实习面试一直很顺利，直到在蚂蚁交叉面遇到了UCLA数学系大牛Wotao Yin。没面试前觉得运气有点差，遇到这种等级的大佬可能要gg，面试后也跟很多人抱怨过怎么会问的这么理论和专业，仅是面试一个机器学习岗的暑期实习却问这么恐怖的问题。这些内容我原本很确定不会出现在面试中所以没去复习。今天对问题一一做了总结，并且将答案一一找到，发现这些内容或多或少见过但是没有深入理解，而且绝对是有针对自己做过的一些研究从而衍生出的提问。
而后有一些被点醒的感觉，我认为统计背景来找机器学习算法岗工作的话，优势就在于统计素养，而不是千篇一律大家都会的经典机器学习或是xgboost或是leetcode，独特性和不可取代性才是就业的第一竞争力。接下来的时间里将巩固这些学过的统计学知识，将优势最大化。

ExpCP论文及代码细节。文章被Stat Journal接受🤩🤩🤩 再接再厉~~~

些许灵感没来得及细想，有没可能将贝叶斯网络和tensor completion结合？

OJ一般需要自己读入数据，下面是一些输入的总结

在之前的类脑人工智能项目中，我们的重点在于趋势预测，但广义的预测当中包含了分析预警，最近几周为了分析疫情数据我做了这部分模型来起到分析预警的作用。下面进行介绍。

新冠肺炎疫情期间出现了很多热点话题。疫情初期的热点话题中有令人感到不安的“死亡”、“允悲”、“失望”等关键词，防控措施出台后热点话题的走向逐渐变为“加油”、“致敬”、“希望”等。在一个个新闻诞生的时候，它们或许能够激发人们积极的讨论或是消极的批判。负面话题在大范围传播的同时容易引起恐慌，政府需要合理安抚群众情绪，尽快找到负面新闻的产生原因从而解决这些问题。具体code请看github相应部分，不在文章中记录。

函数作用域

• L（Local）：最内层，包含局部变量，比如一个函数/方法内部。
• E（Enclosing）：包含了非局部(non-local)也非全局(non-global)的变量。比如两个嵌套函数，一个函数（或类） A 里面又包含了一个函数 B ，那么对于 B 中的名称来说 A 中的作用域就为 nonlocal。
• G（Global）：当前脚本的最外层，比如当前模块的全局变量。
• B（Built-in）： 包含了内建的变量/关键字等。最后被搜索

规则顺序： L –> E –> G –>G-> B，从内向外一层一层搜索

当内部作用域想修改外部作用域的变量时，就要用到global和nonlocal关键字了。

记录了一些常用的terminal指令